CN108288231B - 一种分布式光伏接入对配电台区负荷特性影响的评估方法 - Google Patents
一种分布式光伏接入对配电台区负荷特性影响的评估方法 Download PDFInfo
- Publication number
- CN108288231B CN108288231B CN201810055611.4A CN201810055611A CN108288231B CN 108288231 B CN108288231 B CN 108288231B CN 201810055611 A CN201810055611 A CN 201810055611A CN 108288231 B CN108288231 B CN 108288231B
- Authority
- CN
- China
- Prior art keywords
- photovoltaic
- load
- sample
- time sequence
- output
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Abstract
本发明涉及分布式电源接入对电力系统影响的评估方法技术领域,更具体地,涉及一种分布式光伏接入对配电台区负荷特性影响的评估方法。根据光伏出力历史数据,建立多参数beta分布的光伏出力时序模型,并采用蒙特卡洛法抽样模拟得到在考虑光伏接入下的各负荷特性指标的概率密度函数。由于其充分考虑了分布式光伏出力的时序性和不确定性,能有效评估出光伏接入后台区负荷特性指标的变化情况,为含光伏配电网的规划与运行提供参考依据。
Description
技术领域
本发明涉及分布式电源接入对电力系统影响的评估方法技术领域,更具体地,涉及一种分布式光伏接入对配电台区负荷特性影响的评估方法。
背景技术
当大规模光伏接入电网,会使配电网从传统的放射状结构演变成多点型结构,导致潮流分布发生改变。这一变化,将不可避免地对配电网负荷特性产生影响。
在传统负荷特性分析研究中,常见的负荷特性指标主要有:负荷率、负荷峰谷差、年最大负荷利用小时数和年负荷曲线。此类常规指标均从确定性的角度去描述负荷所具备的日、月和年特性,但就实际情况而言,负荷本质上具备一定的随机性,尤其当光伏广泛接入配电网后,光伏出力的随机性使得配电网的负荷特性更难以用当前确定性的负荷特性指标去描述。
发明内容
本发明的目的在于克服现有技术的不足,提供一种分布式光伏接入对配电台区负荷特性影响的评估方法,能有效评估出光伏接入后台区负荷特性指标的变化情况,为含光伏配电网的规划与运行提供参考依据。
为解决上述问题,本发明提供的技术方案为:一种分布式光伏接入对配电台区负荷特性影响的评估方法,包括以下步骤:
S1.收集目标台区预设时间Nd天的有功负荷历史数据样本,其中采样间隔为1h,计算目标台区平均有功负荷时间序列;
S2.收集目标地区光伏电站预设时间Np天的历史出力数据样本,其中采样间隔为1h,建立基于多参数beta分布的光伏出力时序模型;
S3.根据光伏出力时间序列模型,采用蒙特卡洛法抽样生成设定时间s天光伏出力时间序列样本;
S4.根据模拟生成s天的光伏出力时间序列样本和台区平均有功负荷时间序列,计算考虑光伏接入后的净有功负荷时间序列样本;
S5.分别计算净有功负荷时间序列样本的负荷特性指标,得到其数值分布样本;
S6.采用非参数核密度法拟合得到负荷特性指标的概率密度函数。
进一步地,所述的S1步骤中目标台区平均有功负荷时间序列的计算方法为:
式中,Pdav(t)为目标台区第t时段平均有功负荷;Pd(i,t)表示历史数据样本中目标台区第i天第t时段有功负荷,Nd为历史数据样本数。
进一步地,所述的S2步骤中基于多参数beta分布的光伏出力时序模型的建立方法包括:
S201.收集的目标地区光伏电站Np天的历史出力数据样本,确定光伏有功出力样本矩阵Pp=[Pp1,Pp2,…,Ppt,…,Pp24],其中Ppt=[Pp1t,Pp2t,...,Ppjt,…,PpNt]T,其中Ppjt=表示第j天第t时段光伏出力样本数据值;
S202.令Pptmax=max{Pp1t,Pp2t,...,Ppjt,…,PpNt},则光伏相对出力样本数列
S203.计算数列P′pt的期望值和标准差
S204.计算t时段光伏出力beta分布的形状参数α(t)和β(t),计算公式如下:
S205.得到t时段基于多参数beta分布的光伏相对出力概率密度函数如下:
进一步地,所述的S3步骤中采用蒙特卡洛法抽样生成设定时间s天光伏出力时间序列样本的具体实现方法包括:
S301.采用蒙特卡洛法随机抽取服从t时段光伏出力beta分布的s个随机数,生成s天同在时段t下的光伏相对出力样本数列RV,t=[Pv(1,t)/Pptmax,Pv(2,t)/Pptmax,…,Pv(j,t)/Pptmax,…,Pv(s,t)/Pptmax]T;
S302.将RV,t中各元素乘上Pptmax得到时段t光伏出力数据样本数列PV,t=[Pv(1,t),Pv(2,t),…,Pv(j,t),…,Pv(s,t)]T;
S303.重复步骤S401、S402计算其他时段的光伏出力数据样本列向量并构成s天光伏出力时间序列样本矩阵:
进一步地,所述的S4步骤中计算考虑光伏接入后的净有功负荷时间序列样本的方法为:
Ppv-d(j,t)=Pdav(t)-Pv(j,t)t=1,2,3,...,24;j=1,2,3,...,s;
式中,Ppv-d(j,t)为考虑光伏接入后第j天第t时段的净有功负荷;Pv(j,t)为光伏出力时间序列样本中第j天第t时段光伏有功出力值。
进一步地,所述的S6步骤中采用非参数核密度法拟合得到负荷特性指标的概率密度函数包括:
S601.根据计算所得s天的负荷特性指标,确定负荷特性指标的数值样本矩阵X=[X1,X2,…,Xn],X1,X2,…,Xn为负荷特性指标的数值样本,对于任意一个负荷特性指标样本列向量Xk,均有Xk=[Xk1,Xk2,…,Xkj,…,Xks]T,其中,Xkj为第k个负荷特性指标第j天的样本数据;选取第k个负荷特性指标样本矩阵Xk计算其非参数核密度估计函数其他指标计算方法相同;
S602.选取高斯函数K(u)作为非参数核密度估计函数的核函数,其中,K(u)函数表达式如下:
S603.选取高斯分布N(0,1)和N(0,4)作为两个基准核函数,建立最优带宽hopt的优化模型并采用内点法求解,优化模型为:
式中,为非参数核密度估计函数的χ2检验统计量;为其通过χ2检验的临界值;Sk为非参数核密度估计函数的K-S检验统计量;Skb为其通过K-S检验的临界值;其中,非参数核密度估计函数通过两个基准核函数下的非参数核密度函数作平均值计算得到,各函数表达式具体如下:
式中,分别为服从N(0,1)、N(0,4)的高斯分布;
S604.将所得最优带宽hopt代入可得到第k个负荷特性指标的非参数核密度估计函数即概率密度函数,具体如下:
与现有技术相比,有益效果是:本发明提供的一种分布式光伏接入对配电台区负荷特性影响的评估方法,根据光伏出力历史数据,建立多参数beta分布的光伏出力时序模型,并采用蒙特卡洛法抽样模拟得到在考虑光伏接入下的各负荷特性指标的概率密度函数。由于其充分考虑了分布式光伏出力的时序性和不确定性,能有效评估出光伏接入后台区负荷特性指标的变化情况,为含光伏配电网的规划与运行提供参考依据。
附图说明
图1为本发明的方法流程图。
图2为本发明实施例中不同负荷类型的典型日负荷曲线图。
图3为本发明实施例中工业生产负荷台区负荷特性概率密度函数示意图具体实施方式。
图4为本发明实施例中农业加工负荷台区负荷特性概率密度函数示意图具体实施方式。
图5为本发明实施例中酒店商业负荷台区负荷特性概率密度函数示意图具体实施方式。
图6为本发明实施例中居民生活负荷台区负荷特性概率密度函数示意图
具体实施方式
如图1所示,一种分布式光伏接入对配电台区负荷特性影响的评估方法,包括以下步骤:
步骤1:收集目标台区Nd天的有功负荷历史数据样本,其中采样间隔为1h,计算目标台区平均有功负荷时间序列,其计算公式为
式中,Pdav(t)为目标台区第t时段平均有功负荷;Pd(i,t)表示历史数据样本中目标台区第i天第t时段有功负荷,Nd为历史数据样本数。
步骤2:收集目标地区光伏电站预设时间Np天的历史出力数据样本,其中采样间隔为1h,建立基于多参数beta分布的光伏出力时序模型,其具体步骤包括:
S201.收集的目标地区光伏电站Np天的历史出力数据样本,确定光伏有功出力样本矩阵Pp=[Pp1,Pp2,…,Ppt,…,Pp24],其中Ppt=[Pp1t,Pp2t,...,Ppjt,…,PpNt]T,其中Ppjt=表示第j天第t时段光伏出力样本数据值;
S202.令Pptmax=max{Pp1t,Pp2t,...,Ppjt,…,PpNt},则光伏相对出力样本数列
S203.计算数列P′pt的期望值和标准差
S204.计算t时段光伏出力beta分布的形状参数α(t)和β(t),计算公式如下:
S205.得到t时段基于多参数beta分布的光伏相对出力概率密度函数如下:
步骤3:根据光伏出力时间序列模型,采用蒙特卡洛法抽样生成设定时间s天光伏出力时间序列样本;其具体步骤包括:
S301.采用蒙特卡洛法随机抽取服从t时段光伏出力beta分布的s个随机数,生成s天同在时段t下的光伏相对出力样本数列RV,t=[Pv(1,t)/Pptmax,Pv(2,t)/Pptmax,…,Pv(j,t)/Pptmax,…,Pv(s,t)/Pptmax]T;
S302.将RV,t中各元素乘上Pptmax得到时段t光伏出力数据样本数列PV,t=[Pv(1,t),Pv(2,t),…,Pv(j,t),…,Pv(s,t)]T;
S303.重复步骤S401、S402计算其他时段的光伏出力数据样本列向量并构成s天光伏出力时间序列样本矩阵:
步骤4:根据模拟生成s天的光伏出力时间序列样本和台区平均有功负荷时间序列,计算考虑光伏接入后的净有功负荷时间序列样本;计算公式为:
Ppv-d(j,t)=Pdav(t)-Pv(j,t)t=1,2,3,...,24;j=1,2,3,...,s;
式中,Ppv-d(j,t)为考虑光伏接入后第j天第t时段的净有功负荷;Pv(j,t)为光伏出力时间序列样本中第j天第t时段光伏有功出力值。
步骤5:分别计算净有功负荷时间序列样本的日负荷率、日峰谷差等负荷特性指标,得到其数值分布样本;
步骤6:采用非参数核密度法拟合得到日负荷率、日峰谷差等负荷特性指标的概率密度函数,具体步骤包括:
S601.根据计算所得s天的负荷特性指标,确定负荷特性指标的数值样本矩阵X=[X1,X2,…,Xn],X1,X2,…,Xn为负荷特性指标的数值样本,对于任意一个负荷特性指标样本列向量Xk,均有Xk=[Xk1,Xk2,…,Xkj,…,Xks]T,其中,Xkj为第k个负荷特性指标第j天的样本数据;选取第k个负荷特性指标样本矩阵Xk计算其非参数核密度估计函数其他指标计算方法相同;
S602.选取高斯函数K(u)作为非参数核密度估计函数的核函数,其中,K(u)函数表达式如下:
S603.选取高斯分布N(0,1)和N(0,4)作为两个基准核函数,建立最优带宽hopt的优化模型并采用内点法求解,优化模型为:
式中,为非参数核密度估计函数的χ2检验统计量;为其通过χ2检验的临界值;Sk为非参数核密度估计函数的K-S检验统计量;Skb为其通过K-S检验的临界值;其中,非参数核密度估计函数通过两个基准核函数下的非参数核密度函数作平均值计算得到,各函数表达式具体如下:
式中,分别为服从N(0,1)、N(0,4)的高斯分布;
S604.将所得最优带宽hopt代入可得到第k个负荷特性指标的非参数核密度估计函数即概率密度函数,具体如下:
本发明实施例中采用广东省某地区的光伏出力数据,基于Matlab仿真平台进行算例分析。基于该地区的实际光伏出力数据,建立多参数beta分布的光伏出力时序模型;基于不同台区有功负荷历史数据,计算得到不同台区平均有功负荷归一化时间序列,如附图2所示;然后改变光伏渗透率按照摘要附图进行抽样模拟计算,得到不同渗透率下工业生产负荷台区、农业加工负荷台区、酒店商业负荷台区和居民生活负荷台区相应的日负荷率和日峰谷差指标的数值样本,然后求取得到其概率密度函数,如附图3至6所示。
定义置信日负荷率指标λD为在一定置信水平下日负荷率的最大值,即定义置信日峰谷差指标γD为在一定置信水平下日峰谷差的最小值,即根据附图2的结果,给定置信度α=90%,结合置信日负荷率和置信日峰谷差指标的定义求取相应的指标,如表1所示:
表1工业生产负荷概率性负荷特性指标值
由图3至6和表1可知:
(1)负荷特性的概率密度函数和概率性指标可以有效地反映出光伏出力的随机特性对负荷特性的影响;随着光伏渗透率的增大,负荷率的均值逐渐降低,分布范围越来越大;除农业加工负荷台区外,其余台区日峰谷差的均值随着光伏渗透率的增大而增大,分布越来越广;
(2)在满足一定置信度时,光伏的接入会降低负荷的日负荷率,且降低的程度与光伏发耗比、负荷类型相关,日置信负荷率均随着光伏渗透率的增加而降低;
(3)光伏接入会增加居民和酒店类型负荷的置信日峰谷差,而会减少农业负荷的置信日峰谷差;工业类型负荷在光伏接入的(渗透率较小时(<30%),其置信日峰谷差率也会因光伏的接入而降低;
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明权利要求的保护范围之内。
Claims (5)
1.一种分布式光伏接入对配电台区负荷特性影响的评估方法,其特征在于,包括以下步骤:
S1.收集目标台区预设时间Nd天的有功负荷历史数据样本,计算目标台区平均有功负荷时间序列;目标台区平均有功负荷时间序列的计算方法为:
式中,Pdav(t)为目标台区第t时段平均有功负荷;Pd(i,t)表示历史数据样本中目标台区第i天第t时段有功负荷,Nd为历史数据样本数
S2.收集目标地区光伏电站预设时间Np天的历史出力数据样本,建立基于多参数beta分布的光伏出力时序模型;基于多参数beta分布的光伏出力时序模型的建立方法包括:
S201.收集的目标地区光伏电站Np天的历史出力数据样本,确定光伏有功出力样本矩阵Pp=[Pp1,Pp2,…,Ppt,…,Pp24],其中Ppt=[Pp1t,Pp2t,...,Ppjt,…,PpNt]T,其中Ppjt=表示第j天第t时段光伏出力样本数据值;
S202.令Pptmax=max{Pp1t,Pp2t,...,Ppjt,…,PpNt},则光伏相对出力样本数列
S203.计算数列Pp't的期望值和标准差
S204.计算t时段光伏出力beta分布的形状参数α(t)和β(t),计算公式如下:
S205.得到t时段基于多参数beta分布的光伏相对出力概率密度函数如下:
S3.根据光伏出力时间序列模型,采用蒙特卡洛法抽样生成设定时间s天光伏出力时间序列样本;采用蒙特卡洛法抽样生成设定时间s天光伏出力时间序列样本的具体实现方法包括:
S301.采用蒙特卡洛法随机抽取服从t时段光伏出力beta分布的s个随机数,生成s天同在时段t下的光伏相对出力样本数列RV,t=[Pv(1,t)/Pptmax,Pv(2,t)/Pptmax,…,Pv(j,t)/Pptmax,…,Pv(s,t)/Pptmax]T;
S302.将RV,t中各元素乘上Pptmax得到时段t光伏出力数据样本数列PV,t=[Pv(1,t),Pv(2,t),…,Pv(j,t),…,Pv(s,t)]T;
S303.重复步骤S401、S402计算其他时段的光伏出力数据样本列向量并构成s天光伏出力时间序列样本矩阵:
S4.根据模拟生成s天的光伏出力时间序列样本和台区平均有功负荷时间序列,计算考虑光伏接入后的净有功负荷时间序列样本;
S5.分别计算净有功负荷时间序列样本的负荷特性指标,得到其数值分布样本;
S6.采用非参数核密度法拟合得到负荷特性指标的概率密度函数。
2.根据权利要求1所述的一种分布式光伏接入对配电台区负荷特性影响的评估方法,其特征在于,所述的S4步骤中计算考虑光伏接入后的净有功负荷时间序列样本的方法为:
Ppv-d(j,t)=Pdav(t)-Pv(j,t)t=1,2,3,…,24;j=1,2,3,…,s;
式中,Ppv-d(j,t)为考虑光伏接入后第j天第t时段的净有功负荷;Pv(j,t)为光伏出力时间序列样本中第j天第t时段光伏有功出力值。
3.根据权利要求2所述的一种分布式光伏接入对配电台区负荷特性影响的评估方法,其特征在于,所述的S6步骤中采用非参数核密度法拟合得到负荷特性指标的概率密度函数包括:
S601.根据计算所得s天的负荷特性指标,确定负荷特性指标的数值样本矩阵X=[X1,X2,…,Xn],X1,X2,…,Xn为负荷特性指标的数值样本,对于任意一个负荷特性指标样本列向量Xk,均有Xk=[Xk1,Xk2,…,Xkj,…,Xks]T,其中,Xkj为第k个负荷特性指标第j天的样本数据;选取第k个负荷特性指标样本矩阵Xk计算其非参数核密度估计函数其他指标计算方法相同;
S602.选取高斯函数K(u)作为非参数核密度估计函数的核函数,其中,K(u)函数表达式如下:
S603.选取高斯分布N(0,1)和N(0,4)作为两个基准核函数,建立最优带宽hopt的优化模型并采用内点法求解,优化模型为:
式中,为非参数核密度估计函数的χ2检验统计量;为其通过χ2检验的临界值;Sk为非参数核密度估计函数的K-S检验统计量;Skb为其通过K-S检验的临界值;其中,非参数核密度估计函数通过两个基准核函数下的非参数核密度函数作平均值计算得到,各函数表达式具体如下:
式中,分别为服从N(0,1)、N(0,4)的高斯分布;
S604.将所得最优带宽hopt代入可得到第k个负荷特性指标的非参数核密度估计函数即概率密度函数,具体如下:
4.根据权利要求1至3任一项所述的一种分布式光伏接入对配电台区负荷特性影响的评估方法,其特征在于,所述的负荷特性指标包括日负荷率、日峰谷差。
5.根据权利要求1至3任一项所述的一种分布式光伏接入对配电台区负荷特性影响的评估方法,其特征在于,收集目标台区预设时间Nd天的有功负荷历史数据样本的采样间隔为1小时;收集目标地区光伏电站预设时间Np天的历史出力数据样本的采样间隔为1小时。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810055611.4A CN108288231B (zh) | 2018-01-19 | 2018-01-19 | 一种分布式光伏接入对配电台区负荷特性影响的评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810055611.4A CN108288231B (zh) | 2018-01-19 | 2018-01-19 | 一种分布式光伏接入对配电台区负荷特性影响的评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108288231A CN108288231A (zh) | 2018-07-17 |
CN108288231B true CN108288231B (zh) | 2019-12-13 |
Family
ID=62835372
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810055611.4A Active CN108288231B (zh) | 2018-01-19 | 2018-01-19 | 一种分布式光伏接入对配电台区负荷特性影响的评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108288231B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110009123A (zh) * | 2018-12-30 | 2019-07-12 | 国网天津市电力公司电力科学研究院 | 一种考虑时序互补特性的配电台区源-荷协同接入方法 |
CN109861293B (zh) * | 2019-03-29 | 2022-08-19 | 国网河南省电力公司经济技术研究院 | 光伏不确定性对电力系统小信号稳定性影响的评估方法 |
CN110956329B (zh) * | 2019-12-02 | 2023-04-25 | 国网浙江省电力有限公司绍兴供电公司 | 基于分布式光伏与电动汽车时空分布的负荷预测方法 |
CN112733354B (zh) * | 2020-11-06 | 2022-10-18 | 国网山东省电力公司聊城供电公司 | 一种气象要素时间序列模拟方法、系统、介质及电子设备 |
CN113344406A (zh) * | 2021-06-21 | 2021-09-03 | 国网山东省电力公司电力科学研究院 | 一种配网台区智能融合终端电能质量监测可靠性评估方法 |
CN114139957B (zh) * | 2021-12-01 | 2024-03-29 | 东南大学 | 一种基于XGBoost算法的农村台区电压和线损影响的评估方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2360607A1 (en) * | 2010-01-15 | 2011-08-24 | Imec | Response characterization of an electronic system under variability effects |
CN103218757A (zh) * | 2013-04-28 | 2013-07-24 | 重庆大学 | 一种确定光伏发电容量可信度的方法 |
CN104376410A (zh) * | 2014-11-06 | 2015-02-25 | 国家电网公司 | 一种配电网中分布式电源的规划方法 |
CN105846425A (zh) * | 2016-04-08 | 2016-08-10 | 江苏省电力试验研究院有限公司 | 一种基于通用风电预测误差模型的经济调度方法 |
CN103904644B (zh) * | 2014-03-26 | 2016-08-17 | 国家电网公司 | 一种基于分布式电源接入的智能变电站负荷自动分配方法 |
CN106557867A (zh) * | 2016-10-19 | 2017-04-05 | 华南理工大学 | 适用中长时间尺度电网分析的光伏发电概率模型建模方法 |
CN107038292A (zh) * | 2017-04-01 | 2017-08-11 | 三峡大学 | 一种基于自适应多变量非参数核密度估计的多风电场出力相关性建模方法 |
CN107394797A (zh) * | 2017-08-30 | 2017-11-24 | 华侨大学 | 一种考虑无功优化的分布式电源接入配电网的评估方法 |
-
2018
- 2018-01-19 CN CN201810055611.4A patent/CN108288231B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2360607A1 (en) * | 2010-01-15 | 2011-08-24 | Imec | Response characterization of an electronic system under variability effects |
CN103218757A (zh) * | 2013-04-28 | 2013-07-24 | 重庆大学 | 一种确定光伏发电容量可信度的方法 |
CN103904644B (zh) * | 2014-03-26 | 2016-08-17 | 国家电网公司 | 一种基于分布式电源接入的智能变电站负荷自动分配方法 |
CN104376410A (zh) * | 2014-11-06 | 2015-02-25 | 国家电网公司 | 一种配电网中分布式电源的规划方法 |
CN105846425A (zh) * | 2016-04-08 | 2016-08-10 | 江苏省电力试验研究院有限公司 | 一种基于通用风电预测误差模型的经济调度方法 |
CN106557867A (zh) * | 2016-10-19 | 2017-04-05 | 华南理工大学 | 适用中长时间尺度电网分析的光伏发电概率模型建模方法 |
CN107038292A (zh) * | 2017-04-01 | 2017-08-11 | 三峡大学 | 一种基于自适应多变量非参数核密度估计的多风电场出力相关性建模方法 |
CN107394797A (zh) * | 2017-08-30 | 2017-11-24 | 华侨大学 | 一种考虑无功优化的分布式电源接入配电网的评估方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108288231A (zh) | 2018-07-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108288231B (zh) | 一种分布式光伏接入对配电台区负荷特性影响的评估方法 | |
Tabone et al. | Modeling variability and uncertainty of photovoltaic generation: A hidden state spatial statistical approach | |
CN102945223B (zh) | 一种构建多个风电场出力联合概率分布函数的方法 | |
Li et al. | Predicting short-term electricity demand by combining the advantages of arma and xgboost in fog computing environment | |
CN105163326B (zh) | 一种基于无线网络话务特征的小区聚类方法和系统 | |
CN111027175A (zh) | 基于耦合模型集成模拟的洪水对社会经济影响的评估方法 | |
CN103226736B (zh) | 基于聚类分析与灰靶理论的中长期电力负荷预测方法 | |
CN113191918B (zh) | 基于时序生成对抗网络的月度风光发电功率场景分析方法 | |
CN112165084B (zh) | 计及光伏-负荷双侧预测不确定性的多时间尺度优化方法 | |
CN104573857A (zh) | 一种基于智能算法优化组合的电网负荷率预测方法 | |
CN106131022A (zh) | 一种网络协同攻击风暴源检测方法及装置 | |
CN111612244A (zh) | 基于qra-lstm的日前光伏功率非参数概率预测方法 | |
CN104834975A (zh) | 一种基于智能算法优化组合的电网负荷率预测方法 | |
Tajer et al. | Advanced data analytics for power systems | |
CN106952077A (zh) | 一种工单处理策略的生成方法及装置 | |
Ayik et al. | Selection of off-grid renewable energy systems using analytic hierarchy process: case of South Sudan | |
CN108647817A (zh) | 一种能耗负荷的预测方法及预测系统 | |
CN117251672A (zh) | 基于电力数据的区域行业多维能源碳排放计算方法和装置 | |
CN102880917B (zh) | 基于对数负荷密度增长曲线的中长期电力负荷预测方法 | |
CN117113054A (zh) | 一种基于图神经网络和Transformer的多元时间序列预测方法 | |
CN110796292A (zh) | 计及雾霾影响的光伏功率短期预测方法 | |
CN103544362B (zh) | 一种基于二维曲线预测的谐波中长期预测方法 | |
CN109738807A (zh) | 基于蚁群算法优化后的bp神经网络来估算soc的方法 | |
CN111861259B (zh) | 一种考虑时序性的负荷建模方法、系统、存储介质 | |
CN112926772A (zh) | 一种基于lstm-gpr混合模型的光能预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |